“Inteligência Artificial: A Nova Fronteira da Ciência Brasileira”

19 a 24 de outubro de 2020

Trabalho 13577

ISSN 2237-9045
Instituição Universidade Federal de Viçosa
Nível Graduação
Modalidade Pesquisa
Área de conhecimento Ciências Exatas e Tecnológicas
Área temática Inteligência Artificial
Setor Departamento de Educação
Bolsa Outros
Conclusão de bolsa Não
Apoio financeiro Outros
Primeiro autor Ana Flávia Santos Souza
Orientador HENRIQUE PINTO GOMIDE
Outros membros Antonia Machado de Oliveira Mauler, Gabriel Siqueira Kakizaki
Título Previsão de eventos de hospitalização usando aprendizagem de máquinas
Resumo Introdução: O sistema de saúde brasileiro enfrenta diversas dificuldades para se manter sustentável em seus processos de gestão. Economicamente, a maior parte dos custos de saúde é resultante de procedimentos de internação como partos, cirurgias ortopédicas e terapia intensiva. Na literatura internacional, pesquisas com algoritmos de inteligência artificial apresentam possibilidades promissoras para nortear previsões de custos e alocação de recursos. Objetivos: Prever a probabilidade de hospitalização para o ano seguinte, utilizando algoritmos de aprendizagem de máquinas. Métodos: Este foi um estudo retrospectivo, de prognóstico. Participaram do estudo 932 colaboradores de uma rede de hospitais privada de São Paulo, SP. Os critérios de inclusão foram: ser maior de 18 anos; ser titular do plano; ter completado o inquérito de saúde. Os critérios de exclusão foram não estar trabalhando no período do estudo e não responder todas as perguntas do questionário. As seguintes informações foram coletadas: consumo do plano de saúde nos doze meses anteriores e posteriores a um inquérito de saúde. O inquérito de saúde continha informações demográficas (sexo, idade), prevalência de condições de saúde na vida e comportamentos em saúde. As variáveis do inquérito e as de consumo em saúde nos 12 meses anteriores foram usadas para o treinamento dos seguintes algoritmos: GLM (Mínimos quadrados), Lasso, Random Forests, CatBoost, XGBoost. Para testar o modelo foram usados os dados de internação no período de 12 meses posteriores ao inquérito de saúde e as métricas: área sobre a curva (AUC) e F1-score. Os dados foram balanceados e separados em banco de treino, validação e teste. O treinamento foi realizado usando validação cruzada k-fold (k=5). Analisamos os dados usando Python. Resultados: A amostra era composta majoritariamente por mulheres (76,4%). A idade dos participantes variou entre 18 e 70 anos e cerca de 83.4% das pessoas haviam usado o plano no ano anterior. Em relação às condições de saúde, as que tiveram as maiores ocorrências entre os participantes foram rinite ou sinusite (39,5%), enxaquecas ou dores de cabeça (25,0%) e alergias (18,1%). Comparando os resultados dos cinco modelos após reamostragem por Bootstrap, obteve-se que Random Forests exibiu o melhor resultado, apresentando um AUC de 0,71 e F1-score de 0,74. Em seguida, vieram os modelos Lasso e GLM, ambos com AUC de 0,68 e F1-score de 0.73. Os algoritmos de boosting (CatBoost e XGBoost) apresentaram o pior desempenho, com AUC de 0,66 e 0,65 respectivamente e F1-score de 0,79 e 0.78 respectivamente. Conclusões: Como resultado, observamos que algoritmos de aprendizagem de máquinas são bastante úteis para prever internação. Dentre todos os modelos usados, Random Forests apresentou a melhor capacidade preditiva para esse tipo de procedimento.
Palavras-chave aprendizagem de máquinas, saúde suplementar, predição de hospitalização
Forma de apresentação..... Vídeo
Link para apresentação Vídeo
Gerado em 0,62 segundos.